基于改进小波包阈值降噪的滚动轴承故障分析

具有非平稳特性的滚动轴承振动信号易受到外界噪声干扰,且传统的小波包硬、软阈值函数降噪方法无法根据信号中的噪声干扰情况自适应调节。因此,提出一种基于排列熵的改进小波包阈值降噪方法,并与自适应噪声的完整集成经验模态分解(CEEMDAN)相结合进行故障信号分析。首先,对采集的滚动轴承故障信号进行改进小波包阈值降噪处理,然后将降噪信号进行CEEMDAN处理,分解得到一系列固有模态分量(IMF),根据相关系数选择IMF,并作包络谱分析。最后对滚动轴承实际振动信号的故障分析,证明了此方法的有效性。     

基于SVD优化EMD的电梯导靴振动信号故障 特征提取

针对电梯导靴振动信号采用经验模态分解(Empirical Mode Decomposition,EMD)难以直接提取早期微弱故障特征的问题,提出基于奇异值分解(Singular Value Decomposition,SVD)优化经验模态分解的电梯导靴振动信号故障特征提取方法。该方法首先对原始信号进行SVD分解,通过奇异值贡献率原则来确定相空间重组的最佳Hankel矩阵结构,利用曲率谱原则与奇异值贡献率原则相结合来确定有效奇异值的阶次;筛选出包含主要故障信息的奇异值进行信号重构,得到剔除噪声信号与光滑信号的突变信号;然后对突变信号进行EMD分解,得到信号的本征模态函数(Intrinsic Mode Function,IMF)分量。最后,对IMF分量作Hilbert变换,求得其Hilbert边际谱,从而获得电梯导靴故障特征频率信息。仿真结果表明该方法有效改善了EMD难以直接提取早期微弱故障特征的问题,更准确地提取了振动信号的故障特征频率,验证了所述方法的有效性。     

基于振动信号能量熵的轴承故障诊断

轴承大量存在于机械设备当中,轴承的故障也是各种机械故障的主要原因。对轴承故障及时和准确的判断,可以有效地预防由轴承故障引起的事故,减少损失。基于此提出一种基于振动信号能量熵的轴承故障诊断的方法。轴承在不同的工作状态下,轴承振动信号的能量熵不同,也就是能量分布也是不同的,可以通过能量分布的不同判断轴承的状态。首先对轴承的振动信号进行总体平均经验模态分解EEMD(Ensemble Empirical Mode Decomposition),获得若干个本征模函数IMF(Intrinsic Mode Function),然后计算本征模函数能量特征,将能量特征作为输入,可以建立相关向量机判断轴承的状态。通过实验验证,基于振动信号能量熵的故障诊断方法可以有效地应用于轴承的故障诊断。     

基于EEMD-多尺度排列熵-SVM的小电流系统故障选线仿真

针对小电流系统故障时选线困难,提出结合多尺度排列熵与SVM的选线方法.首先,用集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)算法对故障时各线路的零序电流进行分解.其次,计算固有模态函数的多尺度排列熵,建立SVM分类器.最后,利用多尺度排列熵作为特征向量训练相应的SVM分类器,通过SVM输出分类结果,判断故障线路.通过实验表明,该方法选线计算速度快,原理简单,准确率高.     

基于MEMD的高速列车转向架故障的排列熵特征分析

在监测高速列车转向架工作状态时,针对列车运动自由度数目多、不同监测点数据相关性强的特点,提出了多元经验模态分解和排列熵相结合的故障特征提取方法。首先利用多元经验模态分解对高速列车转向架7种不同工况的振动信号进行多通道同步联合分析,获取不同数据通道间的共同模式。利用相关系数选取反映故障信号特征的有效本征模态函数来重构原始故障信号,计算重构信号的排列熵作为故障特征。最后采用支持向量机进行故障状态分类识别。实验结果表明,列车在各种运行速度下均能达到85%以上的分类效果,验证了该方法的有效性。     

一种振动信号的EMD去噪方法及其仿真分析

针对在集合经验模态分解(EEMD)降噪应用过程中出现的模态混叠问题,采用排列熵与经验模态分解(EMD)相结合的方法,对振动信号进行降噪。引入排列熵概念,利用排列熵对EEMD分解得到的固有模态函数(IMF)进行随机性检验,形成新的EEMD降噪处理方法。仿真试验结果表明,该方法能有效提高信噪比,运算效率也得到了较大程度的提升。     

基于IMF复杂度和RBF网络的配气机构故障诊断

针对柴油机振动信号的非平稳特性,提出一种经验模态分解(Empirical Mode Decomposition,EMD)、复杂度和RBF(radical basis function)神经网络相结合的故障诊断方法;运用经验模态分解方法对特定时段的振动信号进行分析,计算前5个固有模式分量(Intrinsic Mode Functions,IMF)的Lempel-Ziv相对复杂度作为故障特征向量,并利用RBF神经网络可以快速逼近任意非线性函数及良好分类能力的特点,来实现对柴油机工作状态和故障类型的判别;最后,利用实际柴油机试验数据的诊断和对比试验验证了该方法的有效性。     

基于变分模态分解和支持向量机的滚动轴承品质评估

针对滚动轴承品质评估过程中振动信号代表性特征提取不充分且模式识别方法精度低等不足,提出了基于变分模态分解(VMD)和支持向量机(SVM)的滚动轴承品质评估方法,首先,对3个品质等级的轴承样品进行振动信号的采集;其次,计算滚动轴承振动信号的有效值、峰值和峭度值3个时域指标(TDI),并采用VMD方法将信号分解为4个有限带宽模态函数(BIMF),并分别计算其排列熵(PE)值;最后,将3个时域指标和4个排列熵值共计7个特征作为SVM的输入变量构建轴承品质等级预测评估模型.实验结果表明:与TDI–PE–SVM模型相比, TDI–VMD–PE–SVM轴承品质评估模型更优,识别率由83.33%提高到93.33%, VMD方法有效地提高了振动信号的分辨率,有利于轴承振动信号细节特征信息的提取.     

基于差分进化变分模态分解的直升机行星轮系故障监测

作为传动系统的核心减速部件,行星轮系故障监测对直升机的飞行安全至关重要,而行星轮系复杂且独特的齿轮传动结构使振动信号呈现非常复杂的信号形态,针对复杂信号背景下故障特征的提取难题,提出了基于差分进化变分模态分解(Differential Evolution Variational Mode Decomposition,DEVMD)的直升机行星轮系故障监测方法。方法集成重叠组收缩(Overlapping Group Shrinkage,OGS)算法作为前置滤波进行背景噪声抑制,结合DEVMD方法的高性能模态分解能力剥离出其他旋转部件的信号分量,获得行星轮系故障敏感信号分量,最后提取出峭度-包络谱熵作为故障指示因子进行直升机行星轮系故障监测,实验结果证明了方法的有效性。     

基于MEEMD香农熵-LSSVM的高速列车蛇行失稳诊断方法*

针对列车高速运行时易出现蛇行失稳这一问题,提出了一种改进的集合经验模态分解(Modified Ensemble Empirical Mode Decomposition, MEEMD)香农熵-最小二乘法支持向量机(Least Squares Support Vector Machine, LSSVM)的高速列车蛇行失稳诊断方法。首先通过MEEMD对列车330Km/h～350Km/h时转向架构架的横向振动信号进行分解,得到固有模态函数(Intrinsic Mode Function, IMF),再通过Hilbert变换(HT)分析其时频聚集性,同时提取IMF分量的香农熵特征,最后用LSSVM进行训练和识别。结果表明,转向架蛇行失稳状态下的时频分布的聚集性较正常状态下好,并且MEEMD香农熵-LSSVM方法的识别率和计算耗时优于EEMD-SVM方法,识别率达到96.67%。     

基于SVD-形态降噪的TKEO故障诊断方法研究

针对强噪声干扰背景下微弱故障特征信息难以提取的问题,提出了一种基于奇异值分解(SVD)-形态降噪的Teager能量算子(TKEO)故障诊断方法.首先对轴承振动信号进行SVD,对得到的分量信号进行形态滤波,以滤除噪声干扰;然后利用峭度准则对分量信号进行筛选,并对其进行重构;最后利用TKEO计算重构信号的瞬时能量,得到信号的能量谱,提取振动信号的特征.将提出的方法应用于滚动轴承故障分析,结果表明该方法能清晰地提取故障特征信息.     

基于改进一维卷积和双向长短期记忆神经网络的故障诊断方法

针对工业领域中故障诊断数据存在时序性和夹杂强噪声的特点导致的收敛速度慢以及诊断精度低的问题,提出了一种基于改进一维卷积和双向长短期记忆（1DCNN-BiLSTM）神经网络融合的故障诊断方法。该方法包括故障振动信号的预处理、特征的自动提取以及振动信号的分类。首先,采用自适应白噪声的完整经验模态分解（CEEMDAN）技术对原始振动信号进行预处理;其次,构建1DCNN-BiLSTM双通道模型,将处理后信号输入双向长短期记忆（BiLSTM）神经网络模型和一维卷积神经网络（1DCNN）模型两个通道,从而对信号的时序相关性特征、局部空间的非相关性特征和弱周期性规律进行充分提取;然后,针对信号夹杂强噪声的问题,对压缩与激励网络（SENet）模块进行改进并将其作用于两个不同的通道;最后,输入全连接层将双通道提取的特征进行融合并借助Softmax分类器实现对设备故障的精确识别。使用凯斯西储大学轴承数据集进行实验,结果表明改进后的SENet模块同时作用于1DCNN通道和stacked BiLSTM通道,1DCNN-BiLSTM双通道模型在保证快速收敛的情况下有最高诊断精度96.87%,优于传统单通道模型,有效提高了机械设备故障诊断效率。     

EEMD的非平稳信号降噪及其故障诊断应用

针对往复机械振动信号的瞬时非线性、非平稳特性,提出一种基于总体平均经验模式分解（Ensemble Empirical Mode Decomposition,EEMD）与过零率分析相结合的自适应降噪方法,并与能量矩、支持向量机（Support Vector Machine,SVM）结合应用于故障诊断。利用EEMD对非平稳振动信号进行自适应的分解,有效抑制经典经验模式分解的可能出现的模式混叠现象,再以所得的各固有模式分量（Intrinsic Mode Function,IMF）的过零率作为噪声评判准则,重构过零率阈值范围内的非噪声分量以实现信号降噪。另外,计算非噪声分量的能量矩作为故障特征提输入二叉树支持向量机实现的柴油机故障诊断验证了该方法有效性。     

基于Transformer的汽轮机滚动轴承早期微弱故障检测方法研究

为了应对滚动轴承早期微弱故障的挑战本文提出了一种新的方法。该方法首先采用PCA（主成分分析）对振动信号进行特征筛选，以降低数据维度，有效地简化了振动数据的结构，增强了特征的表达力。接着，使用CEEMDAN（完全自适应噪声集合经验模态分解）算法来分解被背景噪声干扰的微弱故障振动信号，它通过在经验模态分解（EMD）的基础上引入自适应噪声，增强了对微弱特征的识别能力，有够效地分离出趋势和噪声数据，显著提高了故障诊断的准确性。最后，引入Transformer模型，进一步优化了特征的提取和表征，实现对长序列数据的高效处理，用于微弱故障特征的提取和表征。这一综合方法具有降维、噪声抑制和长序列处理等多重优势，有望在滚动轴承故障检测中取得显著成果。     

基于径向基神经网络的新型齿轮故障诊断方法

非平稳工况下的齿轮故障检测是一项非常困难的工作,由于齿轮振动信号的复杂性,导致故障特征提取和故障诊断困难.针对这些问题,基于径向基(radial basis function, RBF)神经网络,提出一种在变速条件下齿轮的故障诊断方法 CIHDRFD.首先利用自适应白噪声的完整集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN),将原始振动信号分解为多个固有的模态函数(intrinsic mode function, IMF),并通过计算其信息熵(information entropy, IE)筛选出IE最小的4个IMF作为特征IMF;然后利用希尔伯特变换(hilbert transform, HT)处理特征IMF并求出Hilbert包络谱,利用Hilbert包络谱构建故障特征向量;最后利用改进的双RBF神经网络进行故障检测.通过搭建齿轮故障检测平台验证CIHDRFD方法的有效性,实验结果表明, CIHDRFD方法适用于齿轮故障诊断,在速度波动为3%的情况下,诊断准确率...     

基于内禀模态奇异值分解和支持向量机的故障诊断方法

提出了一种基于内禀模态(Intrinsic mode functions,简称IMFs)奇异值分解和支持向量机(Support vector machine,简称SVM)的故障诊断方法.采用经验模态分解(Empirical mode decomposition,简称EMD)方法对旋转机械故障振动信号进行分解,将得到的若干个内禀模态分量自动形成初始特征向量矩阵,然后对该矩阵进行奇异值分解,提取其奇异值作为故障特征向量,并进一步根据支持向量机分类器的输出结果来判断旋转机械的工作状态和故障类型.对齿轮振动信号的分析结果表明,即使在小样本情况下,基于内禀模态奇异值分解和支持向量机的故障诊断方法仍能有效地识别齿轮的工作状态和故障类型.     

基于MED和边际谱的自动倾斜器轴承故障诊断

针对直升机自动倾斜器轴承早期微弱故障特征易被强烈背景噪声淹没的问题，提出了一种基于最小熵反褶积（Minimum Entropy Deconvolution，MED）和边际谱的自动倾斜器轴承故障诊断方法。采用MED对采集的振动信号进行滤波降噪，提高了信号的信噪比，突出了轴承早期微弱故障特征；通过Hilbert变换和经验模态分解（Empirical Mode Decomposition，EMD）获取去噪包络信号的本征模态函数（Intrinsic Mode Functions，IMF）集，并引入峭度筛选准则选取合理IMF集计算局部Hilbert边际谱，有效地提取了故障特征频率，能够通过故障特征频率进行故障类型判别。通过某型直升机自动倾斜器故障诊断试验系统验证了该诊断方法的合理性和可行性。     

敏感SVD和EEMD的故障诊断方法研究

在噪声干扰下有效提取振动信号所包含的微弱故障特征,是轴承故障诊断的关键问题,提出了一种基于敏感奇异值分解(SSVD)和总体平均经验模态分解(EEMD)的故障诊断方法.对时域振动信号进行敏感SVD分析,通过敏感因子选择反映故障冲击特征的敏感SVD分量,并利用定位因子定位分量信号所对应奇异值进行振动信号重构,以滤除噪声干扰;对降噪信号进行EEMD,根据峭度准则选取故障信息丰富的敏感固有模态分量(IMF),有效提取局部微弱故障信息;利用Teager-Kaiser能量算子(TKEO)计算故障信息的瞬时能量,并对其进行频谱分析,获取故障特征频率,以识别故障类型.方法应用于轴承故障诊断,实验证明了所提方法的有效性.     

基于条件局部均值分解与变量预测模型的轴承故障诊断方法

针对局部均值分解(LMD)方法在分解非线性、非平稳振动信号过程中存在的模态混淆现象,从而影响故障识别准确性的问题,提出了基于条件局部均值分解方法(CLMD)与模式识别变量预测模型(VPMCD)的故障诊断方法。该方法将数字图像处理的频率分辨率方法与LMD相结合,首先确定振动信号中所有局部极值点的频率分辨率,将振动信号分为低频率分辨率区域和高频率分辨率区域;然后对高频率分辨率区域进行LMD分解,可得若干乘积函数(PF)分量;最后用折线将所有PF分量连接起来,经滑动平均处理可得PF分量,提取PF分量的偏度系数和能量系数构成故障特征向量,用于VPMCD故障识别。将该方法应用于轴承故障诊断,实验结果表明,与LMD方法相比,识别效率提高了8.33%,表明了该方法的有效性和可行性。